econml
0.15.1
EconML 用户指南
概述
基于机器学习的异质处理效应估计
示例说明
推荐系统 A/B 测试
客户细分
多投资归因
因果推断简介
问题设定和 API 设计
条件平均处理效应包的 API
处理变量为线性的 CATE 估计器
API 使用示例
库流程图
详细估计器比较
无混杂性下的估计方法
正交/双重机器学习
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用常见问题
使用示例
双重稳健学习
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用常见问题
使用示例
基于森林的估计器
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用示例
元学习器
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用示例
使用工具变量的估计方法
深度工具变量
筛法 2SLS 工具变量估计
正交工具变量
这是什么?
相关的估计器类有哪些?
何时使用它?
类层次结构
使用示例
动态处理机制估计方法
动态双重机器学习
这是什么?
相关的估计器类有哪些?
何时使用它?
类层次结构
使用常见问题
推断
Bootstrap 推断
OLS 推断
去偏 Lasso 推断
子样本诚实森林推断
OrthoForest 小袋子 Bootstrap 推断
模型选择
可解释性
树解释器
策略解释器
SHAP
EconML 中的联邦学习
概述
将联邦学习整合到 EconML 库中的动机
使用 EconML 进行联邦学习
介绍
FederatedEstimator
使用示例
理论
参考文献
常见问题 (FAQ)
何时应该使用 EconML?
EconML 有哪些优势?
如何判断结果是否合理?
我得到的因果估计结果不合理。接下来怎么办?
如果我没有好的工具变量,无法进行实验,也未能观察到所有混杂因素怎么办?
如何测试我是否识别了因果效应?
如何提供反馈?
社区
公共模块参考
CATE 估计器
双重机器学习 (DML)
econml.dml.DML
econml.dml.LinearDML
econml.dml.SparseLinearDML
econml.dml.CausalForestDML
econml.dml.NonParamDML
econml.dml.KernelDML
双重稳健 (DR)
econml.dr.DRLearner
econml.dr.LinearDRLearner
econml.dr.SparseLinearDRLearner
econml.dr.ForestDRLearner
元学习器
econml.metalearners.XLearner
econml.metalearners.TLearner
econml.metalearners.SLearner
econml.metalearners.DomainAdaptationLearner
正交随机森林 (ORF)
econml.orf.DMLOrthoForest
econml.orf.DROrthoForest
工具变量 CATE 估计器
双重机器学习 (DML) IV
econml.iv.dml.OrthoIV
econml.iv.dml.DMLIV
econml.iv.dml.NonParamDMLIV
双重稳健 (DR) IV
econml.iv.dr.DRIV
econml.iv.dr.LinearDRIV
econml.iv.dr.SparseLinearDRIV
econml.iv.dr.ForestDRIV
econml.iv.dr.IntentToTreatDRIV
econml.iv.dr.LinearIntentToTreatDRIV
DeepIV
econml.iv.nnet.DeepIV
筛法
econml.iv.sieve.SieveTSLS
econml.iv.sieve.HermiteFeatures
econml.iv.sieve.DPolynomialFeatures
面板数据估计器
动态双重机器学习
econml.panel.dml.DynamicDML
策略学习
econml.policy.DRPolicyForest
econml.policy.DRPolicyTree
econml.policy.PolicyForest
econml.policy.PolicyTree
CATE 解释器
econml.cate_interpreter.SingleTreeCateInterpreter
econml.cate_interpreter.SingleTreePolicyInterpreter
CATE 验证
econml.validate.DRTester
econml.validate.BLPEvaluationResults
econml.validate.CalibrationEvaluationResults
econml.validate.UpliftEvaluationResults
econml.validate.EvaluationResults
CATE 评分器
econml.score.RScorer
econml.score.EnsembleCateEstimator
广义随机森林
econml.grf.CausalForest
econml.grf.CausalIVForest
econml.grf.RegressionForest
econml.grf.MultiOutputGRF
econml.grf.LinearMomentGRFCriterion
econml.grf.LinearMomentGRFCriterionMSE
econml.grf._base_grf.BaseGRF
econml.grf._base_grftree.GRFTree
Scikit-Learn 扩展
线性模型扩展
econml.sklearn_extensions.linear_model.DebiasedLasso
econml.sklearn_extensions.linear_model.MultiOutputDebiasedLasso
econml.sklearn_extensions.linear_model.SelectiveRegularization
econml.sklearn_extensions.linear_model.StatsModelsLinearRegression
econml.sklearn_extensions.linear_model.StatsModelsRLM
econml.sklearn_extensions.linear_model.WeightedLasso
econml.sklearn_extensions.linear_model.WeightedLassoCV
econml.sklearn_extensions.linear_model.WeightedMultiTaskLassoCV
econml.sklearn_extensions.linear_model.WeightedLassoCVWrapper
模型选择扩展
econml.sklearn_extensions.model_selection.GridSearchCVList
econml.sklearn_extensions.model_selection.WeightedKFold
econml.sklearn_extensions.model_selection.WeightedStratifiedKFold
推断
推断结果
econml.inference.NormalInferenceResults
econml.inference.EmpiricalInferenceResults
econml.inference.PopulationSummaryResults
推断方法
econml.inference.BootstrapInference
econml.inference.GenericModelFinalInference
econml.inference.GenericSingleTreatmentModelFinalInference
econml.inference.LinearModelFinalInference
econml.inference.StatsModelsInference
econml.inference.GenericModelFinalInferenceDiscrete
econml.inference.LinearModelFinalInferenceDiscrete
econml.inference.StatsModelsInferenceDiscrete
联邦估计
econml.federated_learning.FederatedEstimator
解决方案
因果分析
econml.solutions.causal_analysis.CausalAnalysis
与 DoWhy 集成
econml.dowhy.DoWhyWrapper
工具集
econml.utilities
私有模块参考
econml._ortho_learner
econml._cate_estimator
econml.dml._rlearner
econml.inference._bootstrap
econml
»
EconML 用户指南
»
无混杂性下的估计方法
查看页面源代码
无混杂性下的估计方法
本节包含估计(异质)处理效应的方法,这些方法的理论保证仅在观察到所有潜在混杂因素/控制变量(即在收集的数据中同时直接影响处理决策和观察到的结果的因素)时有效。
正交/双重机器学习
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用常见问题
使用示例
双重稳健学习
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
类层次结构
使用常见问题
使用示例
基于森林的估计器
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
正交随机森林
CausalForest (又称森林双重机器学习)
森林双重稳健学习器
类层次结构
使用示例
元学习器
这是什么?
相关的估计器类有哪些?
何时使用它?
形式化方法概述
T-学习器
S-学习器
X-学习器
领域适应学习器
双重稳健学习器
非参数双重机器学习
类层次结构
使用示例